👤 Person YOLO26n v20260519

訓練日期 2026-05-19 · 5090-2 雙卡 · base = yolo26n.pt

🟰 結論：持平 v518

YOLO26n（2.37M params, 5.2 GFLOPs）對 person det 沒明顯增益。test mAP50 0.871（v518=0.878，-0.7pp）。資料面：cvat #1 全 polygon，新增 16 個 SAM3 task（+848 train frame，HANSHIN 場域）已納入 train。

📊 核心指標（test set）

0.909

Precision

0.785

Recall

0.871

mAP@0.50

0.683

mAP@0.50-95

🆚 v518 vs v519 對比（test set）

Ckpt	Backbone	P	R	mAP50	mAP50-95
v20260518	YOLO11n (2.58M)	0.914	0.792	0.878	0.680
v20260519	YOLO26n (2.37M)	0.909	0.785	0.871	0.683

注：cvat #1 全 polygon，v518 / v519 test 集相同，可直接比 ckpt。

📂 Dataset

Split	v518 img / bbox	v519 img / bbox	變化
train	25,429 / 117,917	26,277 / ~121k	+848 SAM3 frame
val	3,712 / 19,163	3,712 / 19,163	相同
test	5,706 / 21,466	5,706 / 21,466	相同

🔍 為什麼沒進步？

YOLO26n 跟 YOLO11n params / FLOPs 相近（2.37 vs 2.58 M）。person 任務本身 cvat #1 全 polygon、annotation 一致，沒有結構性資料補強空間。要進一步突破需要：

更深 backbone（YOLO26s / m，但推論成本上升）
補 HANSHIN 真實場域 hard-negative
多任務 head（已有 age/gender 同網路探討）

📦 模型下載

https://pub-478929a98a5c440cb22c2241c0bde314.r2.dev/person_yolo26n_v20260519/best.pt ⬇

⚙️ Hyperparams（完全沿用 v20260518 baseline，僅換 base weight）

task: detect, model: yolo26n.pt, epochs: 100, patience: 30
batch: 64, imgsz: 640, device: 0,1, cache: ram, workers: 8
optimizer: auto, lr0: 0.01, lrf: 0.01, momentum: 0.937, weight_decay: 0.0005
cos_lr: False, close_mosaic: 10, warmup_epochs: 3.0
hsv_h: 0.015, hsv_s: 0.7, hsv_v: 0.4
mosaic: 1.0, fliplr: 0.5, translate: 0.1, scale: 0.5
iou: 0.7, max_det: 300, seed: 0, deterministic: True

← 訓練報告目錄 · 訓練 SOP